基于改进麻雀搜索算法的短期海上风电功率预测方法

本发明属于海上风电功率预测相关，尤其涉及一种基于改进麻雀搜索算法的短期海上风电功率预测方法。

背景技术：

1、目前全球面临能源资源约束日益加剧以及生态环境问题突出和气候变化等一系列严峻挑战，风能作为一种可再生清洁能源，开发前景广阔，尤其海上风电开发潜力巨大。但受恶劣气候和极端天气影响，海上风电功率表现出强随机性和间歇性特征，给受端电力系统稳定性带来挑战。因此，研究海上风电功率预测方法，提高短期内海上风电功率预测的准确性，对提高海上风电场效率、优化海上风电电量调度、保障受端电力系统安全稳定运行具有重要意义。

2、目前，通过利用智能优化算法优化海上风电功率预测模型成为研究的重要方向之一。已有很多学者对短期海上风电功率预测开展相关研究。但是，多数预测方法缺乏鲁棒能力和泛化能力，传统的海上风电功率预测模型存在着准确性不高、稳定性差等问题。为了提高预测模型的准确性，多数方法采用神经网络模型的堆叠，鲜有方法在提升精度的同时兼顾模型的优化。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于改进麻雀搜索算法的短期海上风电功率预测方法，采用基于改进麻雀搜索算法的卷积-长短期记忆组合神经网络模型对短期海上风电功率进行预测，能够改善海上风电功率预测的准确性和稳定性，提高电力系统运行的稳定性，减少经济损失，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于改进麻雀搜索算法的短期海上风电功率预测方法，包括以下步骤：

3、获取海上风电功率数据并进行预处理；

4、基于卷积神经网络和长短期记忆神经网络，构建卷积-长短期记忆神经网络组合预测模型；

5、在麻雀搜索算法中引入circle映射初始化种群，改进发现者位置更新方法，并加入种群交叉策略，获得改进麻雀搜索算法；

6、基于所述改进麻雀搜索算法对卷积-长短期记忆神经网络组合预测模型进行优化；

7、将预处理后的海上风电功率数据输入到优化后的卷积-长短期记忆神经网络组合预测模型，进行功率预测。

8、可选地，对获取的海上风电功率数据进行预处理的过程包括：采用当前时刻前后共四个采集时刻数据和前后共两个相邻日同时刻数据的平均值，对海上风电功率数据进行异常数据处理；然后对异常数据处理后的海上风电功率数据进行特征选取，获得重构数据集；最后，对所述重构数据集进行训练集和测试集的划分，同时进行归一化处理。

9、可选地，所述卷积-长短期记忆神经网络组合预测模型的预测过程包括：输入预处理后的海上风电功率数据，基于卷积神经网络进行特征图谱提取，并通过池化层压缩数据量；然后将提取的特征图谱展平成一维序列，通过长短期记忆神经网络层进行训练，将训练结果输出至全连接层进行处理，获得最终的预测结果。

10、可选地，circle映射的表达式如下所示：

11、

12、其中，a、b是混沌序列影响因子，zt是第t个种群个体的随机值，zt+1是第t+1个种群个体的随机值。

13、可选地，改进后的发现者位置更新方法表达式如下所示：

14、

15、其中，为第t次迭代的第n只麻雀、第m维数的位置值，θ、q为随机量，t为算法的最大迭代次数，l为元素均为1的1×d矩阵，r2为周围环境预警值大小，st代表安全阈值，代表该种群在进行第t次迭代时第m维数的全局最优位置。

16、可选地，所述种群交叉策略表达式为：

17、

18、其中，e和d都是符合标准正态分布的随机数，c是一个随迭代次数变化的随机数，能够提升算法在迭代后期跳脱局部最优陷阱的能力，表示得到的交叉个体。

19、可选地，对所述卷积-长短期记忆神经网络组合预测模型进行优化的过程包括：初始化设置改进麻雀搜索算法的参数，采用circle映射生成初始化种群，然后获取卷积-长短期记忆神经网络组合预测模型的预测值，将预测值与真实值的均方根误差作为适应度值；对所述适应度值进行排序，获得最佳适应度值以及最优位置和最差位置信息；基于改进后的发现者位置更新方法和种群交叉策略，分别获得更新后的发现者位置和加入者位置，基于所述更新后的发现者位置和加入者位置，进行种群交叉处理，获得更新后的适应度值，并与所述最佳适应度值进行比较，获得最优位置信息，进而获得优化后的超参数；当迭代次数达到上限，基于所述优化后的超参数配置所述卷积-长短期记忆神经网络组合预测模型，完成优化。

20、可选地，所述优化后的超参数包括：卷积神经网络卷积层的卷积核个数，长短期记忆神经网络隐含层的神经元个数，学习率以及迭代次数。

21、可选地，所述卷积-长短期记忆神经网络组合预测模型的评价指标至少包括：平均绝对误差、平均绝对百分误差和均方根误差。

22、与现有技术相比，本发明具有如下优点和技术效果：

23、本发明提出采用卷积-长短期记忆神经网络组合预测模型作为基础预测模型，该模型结合了卷积神经网络图谱特征提取能力和长短期记忆神经网络在长时间序列上的记忆功能，具有更优异的预测能力和鲁棒能力，更适合应用于海上风电功率预测领域。此外，在麻雀搜索算法中引入circle映射初始化种群，改进发现者更新公式，并加入种群交叉策略，使得算法可以更精确地搜索最优解，利用改进麻雀搜索算法的优异寻优能力优化cnn-lstm的超参数，从而提高海上风电功率预测模型的准确性并进一步提高模型的鲁棒性能和泛化能力，这意味着预测结果更加拟合实际功率水平且更加稳定，有助于实施更有效的电力调度和管理。

技术特征：

1.一种基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

3.根据权利要求1所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

4.根据权利要求1所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

5.根据权利要求1所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

6.根据权利要求5所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

7.根据权利要求6所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

8.根据权利要求7所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

9.根据权利要求1所述的基于改进麻雀搜索算法的短期海上风电功率预测方法，其特征在于，

技术总结
本发明公开了一种基于改进麻雀搜索算法的短期海上风电功率预测方法，包括以下步骤：获取海上风电功率数据并进行预处理；构建卷积‑长短期记忆神经网络组合预测模型；在麻雀搜索算法中引入Circle映射初始化种群，改进发现者位置更新方法，并加入种群交叉策略，获得改进麻雀搜索算法；基于所述改进麻雀搜索算法对卷积‑长短期记忆神经网络组合预测模型进行优化；将预处理后的海上风电功率数据输入到优化后的卷积‑长短期记忆神经网络组合预测模型，进行功率预测。本发明利用改进麻雀搜索算法的优异寻优能力优化卷积‑长短期记忆神经网络组合预测模型的超参数，提高了预测模型的准确性，鲁棒性能和泛化能力。

技术研发人员：车延博,苏鉴博,郭啸,郑孟祥,华安然,孙久龙,孙亚领,姜楠
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/6/18